最近在和朋友复盘 AI 板块投资的时候大家几乎都会聊到一个问题AI 到底是新一轮技术革命还是已经进入泡沫阶段这个问题没有标准答案但财经领域的研究者比如付鹏在公开交流中反复提醒过一件事——当资产价格明显跑在真实盈利前面、市场情绪开始用宏大的叙事替代基本面分析时普通投资者需要保持警惕。本文不打算给出“看多还是看空”的结论而是尝试把“AI 泡沫”这个模糊的概念拆解成可量化、可跟踪的数据指标并用 Python 做一个完整的分析工具。做这件事的背景是很多普通人的困惑并不是不关注市场而是缺少一套自洽的判断框架。你今天看到某个 AI 应用爆火明天看到某家大模型公司融资几十亿后天又看到某位大佬说“AI 是泡沫”信息非常撕裂。如果只凭感觉操作很容易在情绪高点追进去在恐慌低点割肉。本文将先用通俗方式解释“泡沫”的本质再给出估值分位数、盈利匹配度、成交情绪、波动率和回撤等指标的计算方案最后落到仓位管理和风险控制上。如果你是刚接触量化分析的初学者可以跟着文章完整跑一遍代码如果你已经有投资经验那么重点可以放在指标的含义与组合使用上。文章中所有代码都基于 Python 和 pandas数据使用本地模拟数据不依赖实时行情接口因此在任何环境下都能复现。需要提前说明的是本文只是数据分析与工程实践不构成任何投资建议所有结果都只用于技术演示。1. 先看懂“AI 泡沫”讨论的是什么东西1.1 泡沫不在“技术”里而在“价格”里很多人听到“AI 泡沫”会误以为是在否定 AI 技术的长期价值。其实不是。无论是大模型、多模态还是 AI Agent技术本身的进展是真实的问题只在于“当前价格是否已经过度反映了未来预期”。泡沫本质上是一种价格与基本面严重脱节的状态。当市场上大量资金追逐同一个概念估值不再由盈利和现金流支撑而是由“未来增长空间”“用户增长速度”“市梦率”这类故事支撑时价格就会越来越脆弱。付鹏在演讲和访谈里经常提到的观点是资产定价最终要回到现金流尤其是当流动性环境变化时估值越高的板块回调压力越大。把这个问题映射到技术视角我们需要判断的是当前 AI 相关资产的价格中有多少是业绩兑现有多少是情绪溢价。情绪溢价本身无法直接测量但可以通过价格、成交额、估值分位数、波动率等市场数据间接观察。1.2 普通人的困境信息多但判断工具太少普通人和专业机构之间最大的差距不是信息量而是处理信息的框架。机构有研究员、有数据库、有风控系统能同时跟踪几十个指标普通人往往只看到新闻标题和社交媒体上的片言只语容易被短期情绪带着走。比如同一周内可能出现两条完全相反的新闻一条说“某 AI 大模型收入超预期”另一条说“AI 资本开支过高盈利周期拉长”。这两条新闻可能都是真的但它们分别对应不同的时间尺度。前者关注短期经营数据后者关注长期资本回报。如果没有一套指标体系普通人很难判断哪条信息对当前决策更重要。本文的目标就是提供这套基础框架。我们不需要像机构那样建复杂系统只需要几个关键指标配合简单的 Python 脚本就能把市场状态从“模糊的感觉”变成“可比较的数字”。1.3 数据分析的边界不预测只监控必须强调一个边界问题。用 Python 做市场分析并不是为了精确预测明天的涨跌因为影响短期价格的因素太多有些甚至无法建模。数据分析能做的事情是判断当前估值处于历史什么水平观察市场波动是否在放大计算持仓的最大回撤评估风险承受能力用规则约束自己的交易行为避免情绪决策。这也是“AI 泡沫如何解”这个话题落地的第一步不要试图找到泡沫破灭的准确时间而是建立一套能提醒自己“当前风险偏高”的监控系统。2. 把“泡沫判断”转成可量化的指标2.1 估值分位数判断贵不贵判断一个指数或板块是否高估最简单的方法不是看静态市盈率而是看当前市盈率在历史数据中的分位数。比如某指数过去十年的市盈率区间是 10 到 30 倍当前是 28 倍那估值分位数大约在 90%说明比历史上 90% 的时间都贵。计算估值分位数需要三个要素足够长的历史估值数据当前市盈率或市净率时间维度上的排序逻辑。分位数的好处是它能消除不同行业之间的绝对估值差异。互联网行业和制造业的市盈率天然不同直接比较没有意义但各自在自身历史中的位置却有可比性。2.2 盈利匹配度看增速能不能撑住估值市盈率只表示“贵不贵”不表示“贵得合理不合理”。如果一家公司利润增速非常高那高估值可能还有支撑如果增速已经明显放缓但估值还在高位那风险就会累积。这里我们可以构建一个简单的“PEG 思路”作为辅助判断。PEG 市盈率 / 盈利增速通常用未来预期的年化增速这个指标大于 2 时意味着估值增长明显快于盈利增长。对 AI 板块来说一个需要警惕的信号往往是资本开支端的增速远高于收入端增速导致短期难以看到利润兑现。不过在使用这个指标时要注意盈利增速是预期值不同机构的预测差异很大。更稳妥的做法是观察“已经披露的实际收入和利润增速”而不是只看远期幻想。2.3 市场情绪与成交热度情绪无法直接观测但成交数据可以间接反映热度。当成交额持续放大而指数涨幅开始放缓时往往说明市场进入了分歧加大的阶段——有人想追涨有人想止盈。还可以看换手率、新增投资者数量、融资融券余额等数据。这些数据在互联网渠道并不难获取但要注意口径一致性。普通投资者的实证感受往往滞后等新闻开始大面积报道“AI 交易拥挤”的时候情绪可能已经处于后半段。2.4 波动率与回撤衡量风险的大小大多数人评估风险时只关注“会跌吗”但其实更重要的是“如果跌可能跌多少”。历史波动率反映了价格变化的不确定性最大回撤则反映了过去一段时间从高点到低点的最大跌幅。这两个指标的意义在于它们不直接告诉你未来会怎么走但能帮你评估自己是否拿得住。如果一个资产的年化波动率是 40%最大历史回撤是 35%而你的心理承受力只有 15%那无论长期前景多好这个配置都超出了你的风险预算。表泡沫监控指标体系指标计算方式判断逻辑局限估值分位数当前 PE/ PB 在历史中的百分位分位数越高越需要谨慎历史区间受市场环境变化影响盈利增速匹配PE 与利润增速的比值匹配度越低估值越脆弱增速是预期值偏差较大成交额变化短期成交额均量对比长期均量放量滞涨是警惕信号需要结合具体市场规模历史波动率收益率标准差年化波动率上行风险加大波动率有聚集效应最大回撤高点至低点的最大跌幅回撤超过承受力就需减仓历史回撤不代表未来3. 环境准备与示例数据设计3.1 Python 运行环境本文代码以 Python 3.10 为例只需要三个库pandas数据处理和分析numpy数值计算matplotlib可视化展示。建议使用 Anaconda 或虚拟环境。这里给出的代码是学习演示不依赖复杂的金融数据接口。如果你的环境里还没有安装这些库可以执行pip install pandas numpy matplotlib为什么要用本地模拟数据因为实时行情接口的稳定性和合规性会变化直接用在线接口会让博文示例变得不可复现。我们先用结构一致的本地数据跑通逻辑等理解原理后再替换成你自己获取的行情数据即可。3.2 示例项目结构建议先创建一个目录比如ai_froth_analysis然后在里面放两个文件ai_froth_analysis/ ├── ai_index_sample.csv └── analysis.pyai_index_sample.csv是模拟的指数行情数据包含日期、收盘价、市盈率、成交额等字段。实际项目中你可以通过行情软件或数据服务商导出同样格式的 CSV。3.3 构造模拟数据为了方便演示我们生成一份结构清晰的数据。打开文本编辑器创建ai_index_sample.csv内容如下date,close,pe,earnings_growth,turnover 2023-01-31,1000,18.5,0.25,120000 2023-02-28,1020,18.8,0.24,135000 2023-03-31,1050,19.2,0.23,128000 2023-04-30,1030,18.9,0.22,118000 2023-05-31,1080,20.1,0.20,142000 2023-06-30,1120,21.0,0.19,155000 2023-07-31,1150,22.3,0.18,160000 2023-08-31,1180,23.5,0.17,173000 2023-09-30,1160,22.8,0.16,165000 2023-10-31,1200,24.0,0.15,180000 2023-11-30,1250,25.5,0.14,198000 2023-12-31,1280,26.8,0.13,210000 2024-01-31,1320,28.5,0.12,235000 2024-02-29,1380,30.2,0.11,260000 2024-03-31,1350,29.5,0.10,248000 2024-04-30,1420,31.5,0.09,275000 2024-05-31,1480,33.2,0.08,300000 2024-06-30,1520,35.0,0.07,315000这份数据体现了一个典型趋势指数缓慢上涨市盈率从 18.5 倍上升到 35 倍但盈利增速从 25% 一路下滑到 7%。也就是说价格在涨基本面增速却在降这就是一个“估值扩张”的样例。真实市场当然更加复杂但用于理解指标已经足够。4. 用 Python 计算估值分位数4.1 读取并清洗数据在analysis.py中写第一段逻辑读取 CSV把日期列转为时间类型按日期排序。import pandas as pd df pd.read_csv(ai_index_sample.csv, parse_dates[date]) df.sort_values(date, inplaceTrue) df.reset_index(dropTrue, inplaceTrue) print(df.head()) print(df.tail())这里有一个容易忽略的细节原始 CSV 的日期列是字符串如果不转成datetime类型后续按时间排序会出现按字符串排序的隐患。比如“2023-10-31”会排在“2023-02-28”前面。所以parse_dates在读取阶段就要设置。4.2 计算市盈率分位数分位数计算用 pandas 的rank(pctTrue)实现。它会把当前值在历史序列中的百分位排序结果直接算出来。df[pe_rank] df[pe].rank(pctTrue) print(df[[date, pe, pe_rank]].to_string(indexFalse))运行后最后一行pe_rank会非常接近 1.0说明市盈率处于样本历史最高位置。这段逻辑告诉我们不管当前绝对估值是多少如果它已经处在历史顶部区域那么继续上涨的性价比就在降低。date pe pe_rank 2023-01-31 18.5 0.055556 2023-02-28 18.8 0.111111 2023-03-31 19.2 0.166667 ... 2024-06-30 35.0 1.0000004.3 把分位数翻译成状态提示单纯输出 0.9 或 1.0普通人不一定有感觉。我们写一个简单函数把分位数映射成可读的风险状态def risk_level(rank: float) - str: if rank 0.9: return 估值高位风险偏高需严格控制仓位 if rank 0.7: return 估值偏高不建议追涨 if rank 0.3: return 估值中性按正常纪律执行 return 估值低位可关注但仍需等待基本面信号 latest_rank df[pe_rank].iloc[-1] print(最新分位数, latest_rank) print(状态提示, risk_level(latest_rank))这种把数字翻译成“规则”的写法是数据分析落地到个人决策的关键。以后再看到网上各种观点你至少有一个独立于情绪的判断工具。5. 用 Python 监控波动率与最大回撤5.1 计算日收益率风险指标的基础是收益率序列。我们使用pct_change()计算每日涨跌幅。import numpy as np df[ret] df[close].pct_change()注意第一行会因为前一天没有数据而变成NaN后续计算中要一并处理。5.2 计算年化波动率一个常见做法是以 20 个交易日为窗口计算滚动标准差然后乘以sqrt(252)做年化。252 代表一年大约有 252 个交易日。df[vol_20] df[ret].rolling(20).std() * np.sqrt(252) print(df[[date, close, ret, vol_20]].tail())这里需要解释一个关键点sqrt(252)是金融领域常用的时间缩放系数前提是收益率近似独立同分布。实际市场中收益率不完美符合这个假设但作为一阶估计仍然有意义。更重要的是观察趋势而不是纠结单日精确值。5.3 计算最大回撤最大回撤是评价风险的另一项核心指标。它的逻辑是假设你在某个历史高点买入一直持有到低点最大的亏损比例是多少。df[cummax] df[close].cummax() df[drawdown] df[close] / df[cummax] - 1.0 max_drawdown df[drawdown].min() print(样本期最大回撤, round(max_drawdown * 100, 2), %)你或许会疑惑样本里指数一直在涨怎么会有回撤原因是通过cummax()计算即使整体上涨中间某个月出现下跌也会形成一个回撤点。在真实的 AI 行情中回撤往往比想象中频繁提前算清楚能避免真到了那天手足无措。5.4 可视化风险指标基础代码跑通后可以用 matplotlib 画出收盘价和回撤曲线让结果更直观import matplotlib.pyplot as plt fig, ax plt.subplots(2, 1, figsize(10, 7)) ax[0].plot(df[date], df[close], labelclose) ax[0].set_title(AI Index Price) ax[0].legend() ax[1].fill_between(df[date], df[drawdown], 0, colorred, alpha0.3) ax[1].set_title(Drawdown) plt.tight_layout() plt.show()可视化不是为了好看而是为了快速发现“异常”。比如价格创新高但回撤开始频繁加深就说明市场分歧在增加。6. 仓位管理与止损规则模拟6.1 为什么普通人需要规则很多人面对股市时最大的问题不是选股而是没有规则。赚钱时想加仓亏钱时想抄底最后完全被账户净值牵着走。付鹏在讨论泡沫时也强调过普通人首先要自保。自保的第一步就是把自己的交易动作固化成规则。泡沫阶段有一个特点价格波动幅度加大方向不确定性提升。此时普通人的核心目标不是“抓住每一次机会”而是“在市场反转时活下来”。这需要量化思维但不需要多复杂的模型。6.2 一个简单的单笔风险预算模型参数化投资不预测市场它只回答一个问题如果判断错了最多亏多少钱下面这个函数就是基于固定风险预算来计算买入数量。def calc_position(price, stop_loss, account_asset, risk_ratio0.01): if price 0 or stop_loss 0: raise ValueError(价格必须大于 0) if stop_loss price: raise ValueError(止损价必须低于买入价) per_share_risk price - stop_loss total_risk account_asset * risk_ratio shares int(total_risk / per_share_risk) return shares, round(shares * price, 2) account 100000 price 150 stop_loss 130 risk_ratio 0.01 shares, total_buy_amount calc_position(price, stop_loss, account, risk_ratio) print(买入数量, shares) print(占用资金, total_buy_amount)这里的关键是risk_ratio0.01意思是每次交易最多亏损账户资产的 1%。如果价格是 150止损设在 130则每股风险 20 元可以买入 5000 元对应的手数。这样即使出现连续多次止损账户总回撤也是可控的。6.3 止损纪律的工程化止损规则在真实操作中很容易被情绪破坏。一个可行的办法是把止损条件写成自动化监控脚本到了阈值自动发提醒。下面是一个极简实现def check_stop(price, stop_loss): if price stop_loss: return 触发止损建议执行清仓 return 低于止损线观察仓位 print(check_stop(64, 60))在工程实践中你还可以接入邮件、钉钉或飞书通知把规则变成系统行为。对普通人来说这比每天盯着大盘更可靠因为人盯市场时间久了很容易被分时波动影响判断。7. 普通人的操作清单与决策流程7.1 建仓前先问三个问题在准备买入任何标的之前可以建立一个基础问卷问题辅助工具判断标准这个板块的估值处在历史什么位置估值分位数分位数高于 80% 时降低仓位我的最大可承受亏损是多少单笔风险预算每次亏损不超过账户 1%如果买入后跌 20%我能拿住吗回撤表超过心理线就提前降低仓位这套问题的核心不是找到最好的买入点而是把决策从“能不能赚钱”变成“亏了能不能承受”。投资的第一原则永远是风险控制而非收益最大化。7.2 持有期的执行规则持有过程中我们需要区分“预期内的波动”和“需要行动的信号”。预期内波动指的是指数在一个正常区间内上下波动不需要频繁操作需要行动的信号则包括估值分位数进入历史高位、盈利增速持续下调、成交量异常放大但价格滞涨、回撤超过预设阈值。一个可参考的规则是每周检查一次估值分位数和回撤回撤超过设计的止损位严格执行估值分位数连续两周高于 90%优先考虑止盈一部分当盈利增速预测下调而价格仍在上涨时不要追加仓位。这套规则看上去简单但长期执行比大多数临时决策更有效。这也是为什么我一直推荐普通投资者把规则写成脚本或写在笔记里而不是放在脑子里。8. 常见问题与排查思路8.1 为什么我用同样的代码报错最常见的原因是数据文件路径不对或者 CSV 列名不一致。如果代码报KeyError先检查pd.read_csv读取后的列名是否是close、pe、date、turnover大小写也要完全一致。另一个高频错误是pct_change()后出现 NaN然后在计算波动率时把 rolling 窗口设得太小。尝试将rolling(20)改为rolling(5)但要清楚窗口越小指标越不稳定。8.2 为什么估值分位数和网上看到的不一样不同平台的数据起止时间不同样本区间自然不同。比如某只指数过去十年经历过高估值时代也经历过低估时代十年与三年的分位数差异会很大。因此比较分位数时一定要明确样本区间和估值口径不要只看一个孤立的数字。这也意味着我们不能把分位数当成“水晶球”它只是衡量当前位置的历史相对水平。如果所处市场环境发生了结构性变化比如规则调整、产业周期切换历史分位数的参考价值就会降低。8.3 这些指标能直接用于选股吗本文示例更适用于指数或行业板块层面因为个股的估值和盈利波动更大单一指标很容易受非经常性损益影响。如果要用到个股建议至少结合市值、行业地位、现金流等因素做综合评估而不是只看一个分位数就做出买入决定。9. 最佳实践与工程建议9.1 数据质量优先于模型复杂度做任何金融数据分析第一优先级永远是数据质量。如果日期不连续、价格没有复权、字段口径混乱再复杂的模型也会得出错误结论。工程实践上建议做到统一使用后复权价格避免分红送股造成的价格断层对日期做连续校准尤其要处理停牌日缺失的问题记录数据来源和版本防止换源后无法对比所有分析脚本放在 Git 仓库中方便回溯。9.2 用日志记录自己的决策轨迹普通人复盘时往往记不住当时买入的理由。建议在分析脚本中加入一个简单的日志模块记录每次计算时的参数、结果和当时备注。import logging logging.basicConfig(filenameanalysis.log, levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s) logging.info(估值分位数: %.2f, 最大回撤: %.2f%%, latest_rank, max_drawdown * 100)这样做的好处是三个月后回看你能判断当初的决策依据是否成立。长期来看稳定的决策日志比任何“盘感”都更有价值。9.3 最小权限与合法授权原则如果你要接入券商接口或第三方数据服务务必注意账户安全和合规授权。生产环境使用任何交易接口时应使用子账户或只读权限不要把主账户凭证写在配置文件里。加密货币、外汇等高风险衍生品领域不建议普通人在泡沫情绪下盲目参与更不要使用杠杆。9.4 不要把“模拟测试”当成“实际盈利”本文中的模拟数据只用于演示算法不代表真实市场收益。在正式应用前建议用带真实历史数据的时间区间做回测并充分了解策略在极端行情中的表现。在资金量很小的时候先别追求收益率先追求“把流程跑顺”。def backtest_signal(df, stop_loss_pct0.1): df df.copy() df[stop_price] df[close].shift(1) * (1 - stop_loss_pct) df[signal] df[close] df[stop_price] trigger_dates df.loc[df[signal], date].tolist() return trigger_dates在这个示例中backtest_signal返回所有满足止损条件的日期。真实回测要复杂得多要考虑滑点、手续费、涨跌停限制。但先写出一个可运行的雏形再逐步完善是正确的工作方式。10. 总结与学习路线回到开头的问题“AI 泡沫如何解普通人如何面对股市”从数据分析的角度看答案不是预测顶和底而是做三件事第一把模糊的泡沫概念变成估值分位数、盈利匹配度、成交情绪、波动率与回撤等可量化指标第二用 Python 建立一套监控脚本定期检查风险状态第三用仓位管理规则约束自己的追涨行为。下一步建议你继续学习以下内容财务数据分析基础理解利润表、资产负债表和现金流量表之间的勾稽关系更完整的历史数据回测方法包括参数寻优、样本外测试和过拟合防范宏观流动性指标比如利率与市场估值的关系这是理解泡沫形成与结束的重要维度。AI 技术还在快速迭代市场情绪的波动也不会消失。对普通人来说与其整天猜测 AI 什么时候会“泡沫破灭”不如先建立一套属于自己的风险监控工具。至少当数字化指标开始预警时你不会再因为几条新闻就做出冲动决策。希望这篇文章对你有帮助。如果你在复现代码时遇到问题欢迎在评论区留言我可以根据你的反馈继续补充实战案例。
用Python量化AI泡沫：从估值分位数到风险监控
最近在和朋友复盘 AI 板块投资的时候大家几乎都会聊到一个问题AI 到底是新一轮技术革命还是已经进入泡沫阶段这个问题没有标准答案但财经领域的研究者比如付鹏在公开交流中反复提醒过一件事——当资产价格明显跑在真实盈利前面、市场情绪开始用宏大的叙事替代基本面分析时普通投资者需要保持警惕。本文不打算给出“看多还是看空”的结论而是尝试把“AI 泡沫”这个模糊的概念拆解成可量化、可跟踪的数据指标并用 Python 做一个完整的分析工具。做这件事的背景是很多普通人的困惑并不是不关注市场而是缺少一套自洽的判断框架。你今天看到某个 AI 应用爆火明天看到某家大模型公司融资几十亿后天又看到某位大佬说“AI 是泡沫”信息非常撕裂。如果只凭感觉操作很容易在情绪高点追进去在恐慌低点割肉。本文将先用通俗方式解释“泡沫”的本质再给出估值分位数、盈利匹配度、成交情绪、波动率和回撤等指标的计算方案最后落到仓位管理和风险控制上。如果你是刚接触量化分析的初学者可以跟着文章完整跑一遍代码如果你已经有投资经验那么重点可以放在指标的含义与组合使用上。文章中所有代码都基于 Python 和 pandas数据使用本地模拟数据不依赖实时行情接口因此在任何环境下都能复现。需要提前说明的是本文只是数据分析与工程实践不构成任何投资建议所有结果都只用于技术演示。1. 先看懂“AI 泡沫”讨论的是什么东西1.1 泡沫不在“技术”里而在“价格”里很多人听到“AI 泡沫”会误以为是在否定 AI 技术的长期价值。其实不是。无论是大模型、多模态还是 AI Agent技术本身的进展是真实的问题只在于“当前价格是否已经过度反映了未来预期”。泡沫本质上是一种价格与基本面严重脱节的状态。当市场上大量资金追逐同一个概念估值不再由盈利和现金流支撑而是由“未来增长空间”“用户增长速度”“市梦率”这类故事支撑时价格就会越来越脆弱。付鹏在演讲和访谈里经常提到的观点是资产定价最终要回到现金流尤其是当流动性环境变化时估值越高的板块回调压力越大。把这个问题映射到技术视角我们需要判断的是当前 AI 相关资产的价格中有多少是业绩兑现有多少是情绪溢价。情绪溢价本身无法直接测量但可以通过价格、成交额、估值分位数、波动率等市场数据间接观察。1.2 普通人的困境信息多但判断工具太少普通人和专业机构之间最大的差距不是信息量而是处理信息的框架。机构有研究员、有数据库、有风控系统能同时跟踪几十个指标普通人往往只看到新闻标题和社交媒体上的片言只语容易被短期情绪带着走。比如同一周内可能出现两条完全相反的新闻一条说“某 AI 大模型收入超预期”另一条说“AI 资本开支过高盈利周期拉长”。这两条新闻可能都是真的但它们分别对应不同的时间尺度。前者关注短期经营数据后者关注长期资本回报。如果没有一套指标体系普通人很难判断哪条信息对当前决策更重要。本文的目标就是提供这套基础框架。我们不需要像机构那样建复杂系统只需要几个关键指标配合简单的 Python 脚本就能把市场状态从“模糊的感觉”变成“可比较的数字”。1.3 数据分析的边界不预测只监控必须强调一个边界问题。用 Python 做市场分析并不是为了精确预测明天的涨跌因为影响短期价格的因素太多有些甚至无法建模。数据分析能做的事情是判断当前估值处于历史什么水平观察市场波动是否在放大计算持仓的最大回撤评估风险承受能力用规则约束自己的交易行为避免情绪决策。这也是“AI 泡沫如何解”这个话题落地的第一步不要试图找到泡沫破灭的准确时间而是建立一套能提醒自己“当前风险偏高”的监控系统。2. 把“泡沫判断”转成可量化的指标2.1 估值分位数判断贵不贵判断一个指数或板块是否高估最简单的方法不是看静态市盈率而是看当前市盈率在历史数据中的分位数。比如某指数过去十年的市盈率区间是 10 到 30 倍当前是 28 倍那估值分位数大约在 90%说明比历史上 90% 的时间都贵。计算估值分位数需要三个要素足够长的历史估值数据当前市盈率或市净率时间维度上的排序逻辑。分位数的好处是它能消除不同行业之间的绝对估值差异。互联网行业和制造业的市盈率天然不同直接比较没有意义但各自在自身历史中的位置却有可比性。2.2 盈利匹配度看增速能不能撑住估值市盈率只表示“贵不贵”不表示“贵得合理不合理”。如果一家公司利润增速非常高那高估值可能还有支撑如果增速已经明显放缓但估值还在高位那风险就会累积。这里我们可以构建一个简单的“PEG 思路”作为辅助判断。PEG 市盈率 / 盈利增速通常用未来预期的年化增速这个指标大于 2 时意味着估值增长明显快于盈利增长。对 AI 板块来说一个需要警惕的信号往往是资本开支端的增速远高于收入端增速导致短期难以看到利润兑现。不过在使用这个指标时要注意盈利增速是预期值不同机构的预测差异很大。更稳妥的做法是观察“已经披露的实际收入和利润增速”而不是只看远期幻想。2.3 市场情绪与成交热度情绪无法直接观测但成交数据可以间接反映热度。当成交额持续放大而指数涨幅开始放缓时往往说明市场进入了分歧加大的阶段——有人想追涨有人想止盈。还可以看换手率、新增投资者数量、融资融券余额等数据。这些数据在互联网渠道并不难获取但要注意口径一致性。普通投资者的实证感受往往滞后等新闻开始大面积报道“AI 交易拥挤”的时候情绪可能已经处于后半段。2.4 波动率与回撤衡量风险的大小大多数人评估风险时只关注“会跌吗”但其实更重要的是“如果跌可能跌多少”。历史波动率反映了价格变化的不确定性最大回撤则反映了过去一段时间从高点到低点的最大跌幅。这两个指标的意义在于它们不直接告诉你未来会怎么走但能帮你评估自己是否拿得住。如果一个资产的年化波动率是 40%最大历史回撤是 35%而你的心理承受力只有 15%那无论长期前景多好这个配置都超出了你的风险预算。表泡沫监控指标体系指标计算方式判断逻辑局限估值分位数当前 PE/ PB 在历史中的百分位分位数越高越需要谨慎历史区间受市场环境变化影响盈利增速匹配PE 与利润增速的比值匹配度越低估值越脆弱增速是预期值偏差较大成交额变化短期成交额均量对比长期均量放量滞涨是警惕信号需要结合具体市场规模历史波动率收益率标准差年化波动率上行风险加大波动率有聚集效应最大回撤高点至低点的最大跌幅回撤超过承受力就需减仓历史回撤不代表未来3. 环境准备与示例数据设计3.1 Python 运行环境本文代码以 Python 3.10 为例只需要三个库pandas数据处理和分析numpy数值计算matplotlib可视化展示。建议使用 Anaconda 或虚拟环境。这里给出的代码是学习演示不依赖复杂的金融数据接口。如果你的环境里还没有安装这些库可以执行pip install pandas numpy matplotlib为什么要用本地模拟数据因为实时行情接口的稳定性和合规性会变化直接用在线接口会让博文示例变得不可复现。我们先用结构一致的本地数据跑通逻辑等理解原理后再替换成你自己获取的行情数据即可。3.2 示例项目结构建议先创建一个目录比如ai_froth_analysis然后在里面放两个文件ai_froth_analysis/ ├── ai_index_sample.csv └── analysis.pyai_index_sample.csv是模拟的指数行情数据包含日期、收盘价、市盈率、成交额等字段。实际项目中你可以通过行情软件或数据服务商导出同样格式的 CSV。3.3 构造模拟数据为了方便演示我们生成一份结构清晰的数据。打开文本编辑器创建ai_index_sample.csv内容如下date,close,pe,earnings_growth,turnover 2023-01-31,1000,18.5,0.25,120000 2023-02-28,1020,18.8,0.24,135000 2023-03-31,1050,19.2,0.23,128000 2023-04-30,1030,18.9,0.22,118000 2023-05-31,1080,20.1,0.20,142000 2023-06-30,1120,21.0,0.19,155000 2023-07-31,1150,22.3,0.18,160000 2023-08-31,1180,23.5,0.17,173000 2023-09-30,1160,22.8,0.16,165000 2023-10-31,1200,24.0,0.15,180000 2023-11-30,1250,25.5,0.14,198000 2023-12-31,1280,26.8,0.13,210000 2024-01-31,1320,28.5,0.12,235000 2024-02-29,1380,30.2,0.11,260000 2024-03-31,1350,29.5,0.10,248000 2024-04-30,1420,31.5,0.09,275000 2024-05-31,1480,33.2,0.08,300000 2024-06-30,1520,35.0,0.07,315000这份数据体现了一个典型趋势指数缓慢上涨市盈率从 18.5 倍上升到 35 倍但盈利增速从 25% 一路下滑到 7%。也就是说价格在涨基本面增速却在降这就是一个“估值扩张”的样例。真实市场当然更加复杂但用于理解指标已经足够。4. 用 Python 计算估值分位数4.1 读取并清洗数据在analysis.py中写第一段逻辑读取 CSV把日期列转为时间类型按日期排序。import pandas as pd df pd.read_csv(ai_index_sample.csv, parse_dates[date]) df.sort_values(date, inplaceTrue) df.reset_index(dropTrue, inplaceTrue) print(df.head()) print(df.tail())这里有一个容易忽略的细节原始 CSV 的日期列是字符串如果不转成datetime类型后续按时间排序会出现按字符串排序的隐患。比如“2023-10-31”会排在“2023-02-28”前面。所以parse_dates在读取阶段就要设置。4.2 计算市盈率分位数分位数计算用 pandas 的rank(pctTrue)实现。它会把当前值在历史序列中的百分位排序结果直接算出来。df[pe_rank] df[pe].rank(pctTrue) print(df[[date, pe, pe_rank]].to_string(indexFalse))运行后最后一行pe_rank会非常接近 1.0说明市盈率处于样本历史最高位置。这段逻辑告诉我们不管当前绝对估值是多少如果它已经处在历史顶部区域那么继续上涨的性价比就在降低。date pe pe_rank 2023-01-31 18.5 0.055556 2023-02-28 18.8 0.111111 2023-03-31 19.2 0.166667 ... 2024-06-30 35.0 1.0000004.3 把分位数翻译成状态提示单纯输出 0.9 或 1.0普通人不一定有感觉。我们写一个简单函数把分位数映射成可读的风险状态def risk_level(rank: float) - str: if rank 0.9: return 估值高位风险偏高需严格控制仓位 if rank 0.7: return 估值偏高不建议追涨 if rank 0.3: return 估值中性按正常纪律执行 return 估值低位可关注但仍需等待基本面信号 latest_rank df[pe_rank].iloc[-1] print(最新分位数, latest_rank) print(状态提示, risk_level(latest_rank))这种把数字翻译成“规则”的写法是数据分析落地到个人决策的关键。以后再看到网上各种观点你至少有一个独立于情绪的判断工具。5. 用 Python 监控波动率与最大回撤5.1 计算日收益率风险指标的基础是收益率序列。我们使用pct_change()计算每日涨跌幅。import numpy as np df[ret] df[close].pct_change()注意第一行会因为前一天没有数据而变成NaN后续计算中要一并处理。5.2 计算年化波动率一个常见做法是以 20 个交易日为窗口计算滚动标准差然后乘以sqrt(252)做年化。252 代表一年大约有 252 个交易日。df[vol_20] df[ret].rolling(20).std() * np.sqrt(252) print(df[[date, close, ret, vol_20]].tail())这里需要解释一个关键点sqrt(252)是金融领域常用的时间缩放系数前提是收益率近似独立同分布。实际市场中收益率不完美符合这个假设但作为一阶估计仍然有意义。更重要的是观察趋势而不是纠结单日精确值。5.3 计算最大回撤最大回撤是评价风险的另一项核心指标。它的逻辑是假设你在某个历史高点买入一直持有到低点最大的亏损比例是多少。df[cummax] df[close].cummax() df[drawdown] df[close] / df[cummax] - 1.0 max_drawdown df[drawdown].min() print(样本期最大回撤, round(max_drawdown * 100, 2), %)你或许会疑惑样本里指数一直在涨怎么会有回撤原因是通过cummax()计算即使整体上涨中间某个月出现下跌也会形成一个回撤点。在真实的 AI 行情中回撤往往比想象中频繁提前算清楚能避免真到了那天手足无措。5.4 可视化风险指标基础代码跑通后可以用 matplotlib 画出收盘价和回撤曲线让结果更直观import matplotlib.pyplot as plt fig, ax plt.subplots(2, 1, figsize(10, 7)) ax[0].plot(df[date], df[close], labelclose) ax[0].set_title(AI Index Price) ax[0].legend() ax[1].fill_between(df[date], df[drawdown], 0, colorred, alpha0.3) ax[1].set_title(Drawdown) plt.tight_layout() plt.show()可视化不是为了好看而是为了快速发现“异常”。比如价格创新高但回撤开始频繁加深就说明市场分歧在增加。6. 仓位管理与止损规则模拟6.1 为什么普通人需要规则很多人面对股市时最大的问题不是选股而是没有规则。赚钱时想加仓亏钱时想抄底最后完全被账户净值牵着走。付鹏在讨论泡沫时也强调过普通人首先要自保。自保的第一步就是把自己的交易动作固化成规则。泡沫阶段有一个特点价格波动幅度加大方向不确定性提升。此时普通人的核心目标不是“抓住每一次机会”而是“在市场反转时活下来”。这需要量化思维但不需要多复杂的模型。6.2 一个简单的单笔风险预算模型参数化投资不预测市场它只回答一个问题如果判断错了最多亏多少钱下面这个函数就是基于固定风险预算来计算买入数量。def calc_position(price, stop_loss, account_asset, risk_ratio0.01): if price 0 or stop_loss 0: raise ValueError(价格必须大于 0) if stop_loss price: raise ValueError(止损价必须低于买入价) per_share_risk price - stop_loss total_risk account_asset * risk_ratio shares int(total_risk / per_share_risk) return shares, round(shares * price, 2) account 100000 price 150 stop_loss 130 risk_ratio 0.01 shares, total_buy_amount calc_position(price, stop_loss, account, risk_ratio) print(买入数量, shares) print(占用资金, total_buy_amount)这里的关键是risk_ratio0.01意思是每次交易最多亏损账户资产的 1%。如果价格是 150止损设在 130则每股风险 20 元可以买入 5000 元对应的手数。这样即使出现连续多次止损账户总回撤也是可控的。6.3 止损纪律的工程化止损规则在真实操作中很容易被情绪破坏。一个可行的办法是把止损条件写成自动化监控脚本到了阈值自动发提醒。下面是一个极简实现def check_stop(price, stop_loss): if price stop_loss: return 触发止损建议执行清仓 return 低于止损线观察仓位 print(check_stop(64, 60))在工程实践中你还可以接入邮件、钉钉或飞书通知把规则变成系统行为。对普通人来说这比每天盯着大盘更可靠因为人盯市场时间久了很容易被分时波动影响判断。7. 普通人的操作清单与决策流程7.1 建仓前先问三个问题在准备买入任何标的之前可以建立一个基础问卷问题辅助工具判断标准这个板块的估值处在历史什么位置估值分位数分位数高于 80% 时降低仓位我的最大可承受亏损是多少单笔风险预算每次亏损不超过账户 1%如果买入后跌 20%我能拿住吗回撤表超过心理线就提前降低仓位这套问题的核心不是找到最好的买入点而是把决策从“能不能赚钱”变成“亏了能不能承受”。投资的第一原则永远是风险控制而非收益最大化。7.2 持有期的执行规则持有过程中我们需要区分“预期内的波动”和“需要行动的信号”。预期内波动指的是指数在一个正常区间内上下波动不需要频繁操作需要行动的信号则包括估值分位数进入历史高位、盈利增速持续下调、成交量异常放大但价格滞涨、回撤超过预设阈值。一个可参考的规则是每周检查一次估值分位数和回撤回撤超过设计的止损位严格执行估值分位数连续两周高于 90%优先考虑止盈一部分当盈利增速预测下调而价格仍在上涨时不要追加仓位。这套规则看上去简单但长期执行比大多数临时决策更有效。这也是为什么我一直推荐普通投资者把规则写成脚本或写在笔记里而不是放在脑子里。8. 常见问题与排查思路8.1 为什么我用同样的代码报错最常见的原因是数据文件路径不对或者 CSV 列名不一致。如果代码报KeyError先检查pd.read_csv读取后的列名是否是close、pe、date、turnover大小写也要完全一致。另一个高频错误是pct_change()后出现 NaN然后在计算波动率时把 rolling 窗口设得太小。尝试将rolling(20)改为rolling(5)但要清楚窗口越小指标越不稳定。8.2 为什么估值分位数和网上看到的不一样不同平台的数据起止时间不同样本区间自然不同。比如某只指数过去十年经历过高估值时代也经历过低估时代十年与三年的分位数差异会很大。因此比较分位数时一定要明确样本区间和估值口径不要只看一个孤立的数字。这也意味着我们不能把分位数当成“水晶球”它只是衡量当前位置的历史相对水平。如果所处市场环境发生了结构性变化比如规则调整、产业周期切换历史分位数的参考价值就会降低。8.3 这些指标能直接用于选股吗本文示例更适用于指数或行业板块层面因为个股的估值和盈利波动更大单一指标很容易受非经常性损益影响。如果要用到个股建议至少结合市值、行业地位、现金流等因素做综合评估而不是只看一个分位数就做出买入决定。9. 最佳实践与工程建议9.1 数据质量优先于模型复杂度做任何金融数据分析第一优先级永远是数据质量。如果日期不连续、价格没有复权、字段口径混乱再复杂的模型也会得出错误结论。工程实践上建议做到统一使用后复权价格避免分红送股造成的价格断层对日期做连续校准尤其要处理停牌日缺失的问题记录数据来源和版本防止换源后无法对比所有分析脚本放在 Git 仓库中方便回溯。9.2 用日志记录自己的决策轨迹普通人复盘时往往记不住当时买入的理由。建议在分析脚本中加入一个简单的日志模块记录每次计算时的参数、结果和当时备注。import logging logging.basicConfig(filenameanalysis.log, levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s) logging.info(估值分位数: %.2f, 最大回撤: %.2f%%, latest_rank, max_drawdown * 100)这样做的好处是三个月后回看你能判断当初的决策依据是否成立。长期来看稳定的决策日志比任何“盘感”都更有价值。9.3 最小权限与合法授权原则如果你要接入券商接口或第三方数据服务务必注意账户安全和合规授权。生产环境使用任何交易接口时应使用子账户或只读权限不要把主账户凭证写在配置文件里。加密货币、外汇等高风险衍生品领域不建议普通人在泡沫情绪下盲目参与更不要使用杠杆。9.4 不要把“模拟测试”当成“实际盈利”本文中的模拟数据只用于演示算法不代表真实市场收益。在正式应用前建议用带真实历史数据的时间区间做回测并充分了解策略在极端行情中的表现。在资金量很小的时候先别追求收益率先追求“把流程跑顺”。def backtest_signal(df, stop_loss_pct0.1): df df.copy() df[stop_price] df[close].shift(1) * (1 - stop_loss_pct) df[signal] df[close] df[stop_price] trigger_dates df.loc[df[signal], date].tolist() return trigger_dates在这个示例中backtest_signal返回所有满足止损条件的日期。真实回测要复杂得多要考虑滑点、手续费、涨跌停限制。但先写出一个可运行的雏形再逐步完善是正确的工作方式。10. 总结与学习路线回到开头的问题“AI 泡沫如何解普通人如何面对股市”从数据分析的角度看答案不是预测顶和底而是做三件事第一把模糊的泡沫概念变成估值分位数、盈利匹配度、成交情绪、波动率与回撤等可量化指标第二用 Python 建立一套监控脚本定期检查风险状态第三用仓位管理规则约束自己的追涨行为。下一步建议你继续学习以下内容财务数据分析基础理解利润表、资产负债表和现金流量表之间的勾稽关系更完整的历史数据回测方法包括参数寻优、样本外测试和过拟合防范宏观流动性指标比如利率与市场估值的关系这是理解泡沫形成与结束的重要维度。AI 技术还在快速迭代市场情绪的波动也不会消失。对普通人来说与其整天猜测 AI 什么时候会“泡沫破灭”不如先建立一套属于自己的风险监控工具。至少当数字化指标开始预警时你不会再因为几条新闻就做出冲动决策。希望这篇文章对你有帮助。如果你在复现代码时遇到问题欢迎在评论区留言我可以根据你的反馈继续补充实战案例。
